具身智能“数据之困”：质量为先，多样性与流通性待突破

6月16日，一场以“Build with Galaxxea”为主题的星海图全球开发者大会（Galaxxea WDC 2026）在北京亦庄盛大举行，在这场备受瞩目的行业盛会上，“数据”无疑成为了核心关键词之一。

聚焦具身智能数据这一关键议题，众多行业资深人士纷纷登台，分享了大量来自一线实践的数据和深刻见解。据透露，当前国内可用于具身智能训练的数据量级大约在百万小时左右，然而，与大语言模型动辄数千万小时的视频数据以及几十万亿Token（词元）的文本数据相比，差距十分显著。

星海图CEO（首席执行官）高继扬在接受包括徽声在线记者在内的媒体采访时指出，大语言模型主要依赖互联网公开数据，而具身智能的数据来源则截然不同，几乎全部来自现实世界的实地采集，这使得其数据具有强烈的私有化特征。

这意味着，行业面临的挑战远不止数据量不足这一简单问题，还涵盖了数据质量参差不齐、采集成本高昂、流通效率低下以及安全合规等一系列复杂难题。

“百万小时”之后，高质量数据仍是行业稀缺资源

在采访过程中，高继扬首先针对业界关于VLA（视觉－语言－动作模型）与世界模型路线之争的问题发表了看法。他认为，这两者并非相互对立，而是同源共生、相辅相成。无论训练哪种模型，本质上都需要将多模态数据转化为Token，再进行编码和学习等操作。

他进一步将具身智能的数据需求细致拆解为四个维度，即动作、对象、场景和本体。所谓“采数据”，就是要尽可能全面地采集这四个维度下不同类型的数据。其中，Human - Centric Data（以人为中心的数据）和Robot - Centric Data（以机器人为中心的数据）各自发挥着独特作用。前者能够以相对较低的成本快速覆盖大量场景和不同人体形态，后者则更贴近最终部署机器人的真实运动特性，为模型训练提供更精准的数据支持。

对于数据类型的选择，高继扬表示，目前预训练基本全部采用真实数据，几乎不使用仿真数据。在公司数据规模达到100万小时之前，暂时看不到大规模采用仿真数据的必要性，因为真实数据在覆盖上述四个维度方面具有不可替代的优势。

海天瑞声CEO李科在6月16日上午的圆桌对话中也发表了观点。他指出，在当前具身智能领域，虽然已经涌现出大量训练场和数据采集中心，但真正可用于训练的数据规模仍然有限。据他估算，目前国内可用于具身模型训练的数据大约在百万小时量级，而学术界公开的数据集大多只有数百小时，少数能达到万小时规模。

李科认为，目前智能尚未实现涌现，问题不仅在于数据总量不足，还在于数据的多样性和流通性不够。不同训练场基于不同机器人本体采集数据，导致数据之间缺乏有效流通，形成了明显的数据孤岛现象，严重制约了行业的发展。

对此，鲸跃动力CEO李广宇进一步强调了高质量数据的重要性。他表示：“我们期望，今年如果整个行业能够积累千万小时的数据，其中真正有价值的能达到100万小时，从而实现从量变到质变的飞跃。”

在具身智能领域，数据采集一直被视为一项成本高昂的工程。

高继扬以星海图的实践为例，给出了较为具体的数据采集成本测算。Human - Centric Data的采集成本大约在每小时50元至100元之间，Robot - Centric Data的采集成本则更高，约每小时250元。综合来看，行业平均数据成本大约在每小时100元至150元之间。按照这一标准计算，采集100万小时数据的成本将在1亿元至2亿元之间。

高继扬强调，与大模型训练动辄数亿美元的算力投入相比，这笔数据采集费用“必须得花，而且非常划算”。他提出，衡量数据投入不能仅仅关注数据单项成本，而应该综合考虑智能总成本。智能总成本主要包括三部分：数据成本、算力成本以及研发团队工程师成本。以星海图的实践为例，至少是1∶10的比例，即1块钱的数据至少需要花10块钱去做训练才能充分发挥其价值。

在高继扬看来，真正昂贵的并非数据本身，而是低质量数据带来的训练浪费。如果输入的是无效数据，那么训练出的模型也不会有太大价值。因此，在扩大数据规模之前，一定要先解决数据质量问题。而真实数据无疑是最高质量的数据来源。

除了成本问题，数据壁垒也成为行业关注的焦点。高继扬直言，未来具身智能模型的竞争在很大程度上将取决于数据质量。他认为，数据差异会逐层传导，从最初的数据质量差异，影响到模型能力差异，进而导致应用效果差异，最终体现为商业价值差异。

在商业模式方面，高继扬将具身智能的发展分为两个阶段。当前阶段仍以整机销售为主，真正面向生产力的方案订阅模式阶段尚未成熟。他认为，现阶段行业尚未有企业真正实现大规模生产力场景落地，因此更大的市场空间仍在未来等待挖掘。

从数据到智能，行业积极探索下一次跃迁之路

目前，具身智能正处于从数据冷启动向智能涌现过渡的关键阶段，这一阶段的发展充满了挑战与机遇。

清科灵境创始人杨子江将具身数据比作人工智能时代的石油，这一比喻形象地说明了数据的重要性。在他看来，真正的挑战不仅在于如何采集大量的数据，更在于如何完成数据的提取、加工、提纯和流通等关键环节。具身智能需要获取三维的多模态数据，并且要高效地将其提取并加工成有用的数据，这是一个需要不断积累经验和技术的过程。

对于未来的数据来源，业内也出现了一些新的探索方向。

李广宇认为，消费电子设备有可能成为重要的数据入口。例如，手机、智能眼镜等终端设备具备摄像头和端侧算力，可以在用户的日常生活中持续采集具身数据。与此同时，随着机器人逐步进入真实的生产和生活场景，其运行过程本身也将不断产生新的训练数据。“大家普遍认为今年是具身应用元年，预期未来会有更多的机器人能够实际应用到真实的生产生活当中，这些机器人产生的数据将具有极高的价值。”

高继扬在受访时表示，行业真正的Scaling（规模化扩展）尚未开始。在他看来，具身智能的数据增长不会遵循线性规律，而应是指数级扩张，这意味着未来的数据量将呈现爆发式增长。

此外，高继扬认为，目前具身基础模型的成长速度已经快于婴幼儿学习技能的成长速度。因此，他并不认为行业进展缓慢。但高继扬同时强调，数据量的上升并不直接带来模型执行速度的提升，执行速度更多取决于后训练而非预训练。

他介绍说，预训练主要解决的是泛化性问题，即模型面对新场景、新任务时能否在不增加新数据的前提下完成；而后训练则是针对特定场景的补充训练，类似于劳动者上岗前的专项培训，只有经过后训练，模型的执行速度才会真正得到提升。

如果将当前具身智能水平类比为婴儿，那么发展到相当于七八岁孩子的智能水平，大致需要多长时间、多大规模的数据呢？

面对这一问题，李科判断需要3至5年时间，对应的有效数据量级在千万小时左右。在他看来，关键在于有效数据并非简单的数据总量，而是具有高质量和针对性的数据。同时，与本体直接相关的特定数据，如机器人手腕自由度带来的差异化操作数据等，可能比泛化数据更具价值，能够为模型训练提供更精准的指导。

星海图CFO（首席财务官）罗天奇则表示，星海图内部判断的中性预测周期为3年左右。如果算法层面出现重大突破，这一进程有可能进一步提速。他同时提到，在数据成本中，算力仍然是最大的开销，数据本身相对而言是“小头”，但数据质量比规模更为关键。因此，数据基础设施能力以及标注环节的降本增效，将是行业接下来需要持续投入的重点方向，只有不断提升数据质量和处理效率，才能推动具身智能行业实现更快更好的发展。